Investigação sobre métodos para redução da dimensionalidade dos dados em imagens hiperespectrais

Abstract

Neste estudo é proposta uma nova metodologia para fins de redução da dimensionalidade dos dados em imagens hiperespectrais. Nesta abordagem, parte-se da suposição de que a curva de resposta espectral em cada pixel, pode ser adequadamente descrita por um número menor de parâmetros estatísticos, em substituição aos contadores digitais (CDs) originais, para utilização em um classificador. Neste processo, a curva de resposta espectral é inicialmente particionada em um certo número de segmentos. Em uma segunda etapa, os contadores digitais (CDs) que caracterizam cada segmento são substituídos por um número menor de parâmetros estatísticos, como a média e a variância estimada a partir dos CD's em cada segmento individual. Para a segmentação da curva de resposta espectral de cada pixel, são propostos três algoritmos de fácil implementação e computacionalmente eficientes. Usando uma estratégia top-down, o comprimento de cada segmento ao longo da curva espectral pode ser ajustado seqüencialmente. Experimentos são realizados utilizando dados adquiridos pelo sensor AVIRIS. Resultados animadores são obtidos em termos de acurácia de classificação e tempo de execução, sugerindo a eficácia dos algoritmos propostos.

In the present study, we propose a new simple approach to reduce the dimensionality in hyperspectral image data. The basic assumption consists in assuming that a pixel's curve of spectral response, as defined in the spectral space by the recorded digital numbers (DNs) at the available spectral bands, can be segmented and each segment can be replaced by a smaller number of statistics, e.g., the mean and the variance, describing the main characteristics of a pixel's spectral response. Results suggest that this procedure can be accomplished without signiftcant loss of information. The DNs at every spectral band can be used to estimate a few statistical parameters that will replace them in a classifier. For the pixel's spectral curve segmentation, three sub-optimal algorithms are proposed, being easy to implement and also computationally efficient. Using a top-down strategy, the length of the segments along the spectral curves can be adjusted sequentially. Experiments using a parametric classifier are performed using an AVIRIS data set. Encouraging results have been obtained in terms of classification accuracy and execution time, suggesting the effectiveness of the proposed algorithms.